相关实验视频
Updated: May 14, 2026
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
利用双参数前列腺MRI的代表性学习来消除PI-RADS 3的模糊性,并改进活检决策策略
Lavanya Umapathy1, Patricia M Johnson, Tarun Dutt
1Bernard and Irene Schwartz Center for Biomedical Imaging, Department of Radiology, New York University Grossman School of Medicine, New York, NY (L.U., P.J., T.D., A.T., S.C., D.K.S., H.C.); Center for Advanced Imaging Innovation and Research (CAI2R), Department of Radiology, New York University Grossman School of Medicine, New York, NY (L.U., P.J., S.C., D.K.S., H.C.); Courant Institute of Mathematical Sciences, New York University, New York, NY (S.C.); and Vilcek Institute of Graduate Biomedical Sciences, New York University Grossman School of Medicine, New York, NY (P.J., D.K.S., H.C.).
使用PI-RADS引导的表示学习的深度学习模型可以从MRI扫描中改善从临床上显著的前列腺癌 (csPCa) 的检测. 这种人工智能方法有助于减少不必要的良性活检,提高诊断准确性和患者的结果.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 磁力共振成像对前列腺癌具有很高的负预测值,但患有错误阳性,特别是在中等风险病例中.
- 精确区分PI-RADS 3病变至关重要,以避免对良性疾病进行不必要的活检.
研究的目的:
- 通过使用双参数MRI,评估一个深度学习模型是否能够消除PI-RADS 3分类的模糊性.
- 确定模型是否可以检测临床显著的前列腺癌 (csPCa) 并减少良性活检.
主要方法:
- 一个深度学习表示学习者 (RL) 接受了培训,对21,465个前列腺MRI检查进行了自信的放射科医生评估.
- 通过使用RL学习的图像表示来训练活检决策模型来检测csPCa (格里森得分≥7).
- 性能与放射科医生和PI-RADS 3和所有PI-RADS测试队伍的临床模型进行了比较.
主要成果:
- 与放射科医生和临床模型相比,基于RL的模型显示csPCa检测的AUC较高.
- 在PI-RADS 3队列中,与临床模型相比,RL模型避免了41%的良性活检.
- RL模型显示了相似的灵敏度,但比PI-RADS队列中的放射科医生更高的NPV和活检产量.
结论:
- 由PI-RADS指导的深度学习有效地使用MRI表示来改进csPCa检测并明确PI-RADS 3评估.
- 人工智能模型可以补充放射科医生,减少良性活检,改善前列腺癌诊断中的活检产量.
- 开发的AI模型显示了无临床整合的潜力,以加强诊断决策.
更多相关视频
05:49Use of Magnetic Resonance Imaging and Biopsy Data to Guide Sampling Procedures for Prostate Cancer Biobanking
Published on: October 10, 2019
06:08A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
